1.一种基于多层多核学习与区域合并的砂岩孔隙检测方法，其特征在于，包括：步骤S1：获取原始孔隙图像并进行图像去噪和图像增强处理，得到预处理图像，再对图像进行SLIC超像素分割；

步骤S2：对步骤S1完成的初始分割结果，构建RAG区域邻接图，标记区域间的相邻关系；

步骤S3：抽取训练集图像，在超像素分割后进行人工标注，二分类为孔隙区域和非孔隙区域作为训练数据集标签；

步骤S4：对训练集图像提取人工特征，包括图像颜色特征、纹理特征、形状特征、边缘特征以及梯度特征得到多特征融合的特征向量，作为训练数据集特征；

步骤S5：构建多层多核模型，将训练数据集输入到多层多核模型中进行训练，保存训练后模型；

其中，多层多核模型定义为：

l (l) (l) l‑1

K＝θ K (K )＝{θ(l,1)k(l,1)(θ(l‑1,1)k(l‑1,1)+…)+…θ(l,m)k(l,m)(…)},k(l,m)代表l层的第m个核，θ(l,m)是相应的参数；

步骤S6：将测试集图像提取多特征向量，输入到保存后的模型中；输出为当前区域为孔隙的概率，作为区域相似性度量值；

步骤S7：利用步骤6计算出来的区域相似性度量值，计算图中每个相邻区域的相似程度；

步骤S8：设定区域合并策略，进行区域合并；

步骤S9：直到不再合并后，输出孔隙检测区域。

2.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法，其特征在于，步骤1具体包括：将原始CT图像进行双边滤波去噪处理，将处理后的图像采用SLIC算法进行超像素分割，作为分割算法的预处理步骤；

SLIC超像素分割算法包括将矿物图像由RGB空间转化到CIELAB颜色空间；结合像素点的二维坐标x、y可得到每个像素点的五维特征向量V＝[l,a,b,x,y]；

通过向量V计算像素点之间的距离相似度，从而对图像像素点进行局部聚类，得到矿物图像的超像素分割结果；其中像素点之间距离采用的是欧式距离进行计算，计算公式为其中：dc为颜色距离，ds为空间距离，Ns为类内最大空间距离，定义为Nc为最大的颜色距离；

分割后，每个超像素区域由具有同一标号的像素集组成，标号从0开始，直到预设的分割的块数值。

3.如权利要求2所述的基于多层多核学习与区域合并的砂岩孔隙检测方法，其特征在于，所述步骤S2包括：RAG区域邻接图为无向有权图，对建立的标号图像上的每一个标号，在区域邻接图建立一个对应的节点v，对相邻两节点间增加一条边，建立连接；

RAG的定义为：G＝(V,E)，节点V＝{v1,v2,...,vn}和边E＝{e1,e2,...,em}，其中n,m分别表示节点数和边数，每条边代表一对无次序的节点(vi,vj)。

4.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法，其特征在于，步骤S3包括超像素分割后的N个小区域，N个小区域为具有相同性质的像素分组，部分小区域进行人工标注，即为小区域进行人为设定是否为目标孔隙区域及非目标区域，其中，设定孔隙区域为0，非孔隙区域为1。

5.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法，其特征在于，步骤S7包括：对于所有i和j，度量两个相邻区域Ri和Rj之间的相似性S(Ri,Rj)，相邻两区域越相似，相似性度量越接近；每个Ri，i＝1,2,…,n，从RAG中确定所有与Ri相邻的Rj(j≠i)；确定Ri和Rj邻接，使用曼哈顿距离计算S(Ri,Rj)，公式如下：S(Ri,Rj)＝|Hi(x)‑Hj(x)|。

6.如权利要求1所述的基于多层多核学习与区域合并的砂岩孔隙检测方法，其特征在于，步骤S8包括：设定区域合并策略，合并最相似的两个相邻区域；

迭代所有区域，直到S(Ri,Rj)>T，那么停止合并Ri和Rj；其中，T值为合并阈值，T∈(0，

0.5)，根据实际分割效果进行阈值调整。